一种集成工况感知LSTM预测与信号优化的自适应交通信号控制框架——面向社会-时序需求偏移

《Applied System Innovation》：An Adaptive Traffic Signal Control Framework Integrating Regime-Aware LSTM Forecasting and Signal Optimization Under Socio-Temporal Demand Shifts Sara Atef and Ahmed Karam

　　

本研究提出了一种自适应的、工况感知的交通信号控制框架，将预测建模与约束优化相结合。研究人员利用长短期记忆网络（Long Short-Term Memory, LSTM）模型进行短期相位级延误预测，进而通过模型预测控制（Model Predictive Control, MPC）方案，采用滚动时域策略在每个控制周期确定绿灯时间分配。该优化方法通过包含约束条件显式地表示相位间相互作用，防止竞争运动方向上出现过度延误，从而产生平衡且操作上可行的控制策略。该方法使用沙特阿拉伯吉达市一个信号化交叉口的TomTom一分钟分辨率延误数据进行了验证，数据涵盖正常工况和斋月工况。LSTM模型展现出稳定的预测性能，在正常工况下均方根误差（Root Mean Square Error, RMSE）为19.8 s，斋月期间为17.1 s。总体而言，与标准控制策略相比，所提出的框架将总交叉口延误减少了约0.3%至2.8%。尽管总延误的改善幅度较小，但低需求相位的延误显著下降（约12–20%），同时高需求相位的延误增加也得到了控制。这表明该方法通过公平地分配延误而非单独优化某一相位，提高了整体效率。研究结果证实，将预测与约束优化相结合是处理变化交通需求的强有力且实用的方法，特别是在需求高峰期，当灵活性、稳定性和运动方向的公平性都至关重要时。

研究背景与问题阐述

城市交通拥堵是现代社会面临的最持久且成本高昂的问题之一。在信号化交叉口这一关键瓶颈处，需求在高峰时段往往超过可用容量，导致车辆延误增加、燃油消耗升高以及排放增长。尽管感知基础设施和智能交通系统取得了显著进展，全球大多数已部署的信号控制器仍采用固定时间或部分感应策略，这些策略对实时需求波动基本不敏感。固定时间配时方案的主要弱点在于其依赖历史平均流量，当实际交通状况与假设模式存在偏差时——无论是由于日内效应、日间变化、周季节性，还是文化驱动的需求激增——固定方案很快失效。这一缺陷推动了自适应和预测控制策略的发展，以期能够预判交通变化并相应调整信号配时。

近年来，短期交通预测技术取得了长足进步。早期的自回归积分滑动平均模型（Autoregressive Integrated Moving Average, ARIMA）和卡尔曼滤波等参数化方法假设线性动态和数据平稳性，限制了其捕获城市交通复杂非线性时序依赖关系的能力。深度学习的出现，特别是 Hochreiter 和 Schmidhuber 提出的长短期记忆网络（LSTM），显著提升了交通速度、流量和延误预测的性能。后续的混合架构，包括卷积神经网络-长短期记忆网络（CNN-LSTM）混合体、图神经网络（Graph Neural Network, GNN）和基于注意力的模型，进一步将预测能力扩展至网络级的时空交通状态。然而，大多数预测研究将预测准确性作为独立目标，而未将预测结果整合到运营信号控制策略中。

与此同时，自适应交通信号控制从经典的 Webster 优化方法发展到实时预测策略。模型预测控制（MPC）因其显式纳入约束条件、支持多步预测并保持可解释性，已成为信号优化的 principled 框架。与强化学习（Reinforcement Learning, RL）方法相比——后者在仿真中表现强劲，但在约束执行、可解释性和安全实际部署方面面临挑战——MPC提供了可直接在现有信号硬件上实施的结构化优化形式。

交通控制中一个关键但尚未充分探索的因素是由社会-时序需求体制引起的非平稳性。反复出现的文化事件、宗教活动和季节变化可能以固定时间计划或仅在"正常"条件下训练的模型无法可靠捕获的方式系统性重塑拥堵模式。斋月便是一个典型例证。在中东地区包括吉达在内的城市，交通需求以可预测但剧烈的方式向下午 Iftar（开斋）时段和夜间活动转移。在这些窗口期，延误和排队长度可能远超典型日峰值，使得正常校准的信号方案明显次优。

为应对这一挑战，本研究提出了一个体制感知的预测信号控制框架，围绕三个相互关联的组件构建：首先，利用本地日历信息将交通数据分离为不同的运营体制——正常和斋月；其次，独立训练体制特异的LSTM模型，学习每个体制下不同的时间延误动态；第三，将预测得到的延误轨迹用于受约束的绿灯分配优化中，在最小化主控相位延误的同时，显式保护竞争相位免受过度劣化。研究还引入了自适应预测时域，在 Iftar 等高需求窗口期延长前瞻时间，使控制器具备预测性和约束感知能力，而非纯粹被动反应。

研究方法与关键技术

研究人员开展的研究主要基于以下关键方法：使用2025年3月1日至4月30日期间沙特阿拉伯吉达市一个四岔信号化交叉口的TomTom一分钟分辨率延误和需求数据，该数据集涵盖正常和斋月两种运营体制，共84,960条记录。研究采用体制感知的数据分割方法，将3月1日至30日划分为斋月体制，其余为正常体制，严格防止跨体制模式泄漏。

在技术方法层面，研究首先建立了两个独立的体制特异LSTM延误预测模型，分别对应正常和斋月体制。模型采用轻量化架构，包含单个LSTM层（64个隐藏单元）、Dropout正则化（0.15）、全连接隐藏层（32个单元）和线性输出神经元，使用Adam优化器进行训练。特征工程方面，采用正弦-余弦编码处理小时和星期几信息，包含二进制周五指示器，以及运营变量（usualDelaySec、volumePerHour、stops）和基于滞后的一阶和五阶滞后延误特征、一阶滞后流量特征。预测公式化为序列到一的学习问题，采用30分钟滑动窗口，正常条件下预测时域为15分钟，斋月 Iftar 时段（17:00–20:00）扩展至30分钟。

其次，研究构建了受约束的MPC信号控制优化框架。采用Webster型延误模型作为代理模型近似延误与绿灯分配及需求的关系，以相位A的绿灯分配比例为决策变量，目标为最小化相位A延误，同时约束相位B延误相对增长不超过15%（ε=0.15），并设置相邻周期绿灯调整幅度上限为0.05，绿灯比例可行区间为[0.26, 0.65]。需求通过当前观测需求经预测延误校准得到有效需求，灵敏度参数γ设为0.30。优化问题使用MATLAB的fmincon求解器求解，研究在Intel Core i9-10900 @ 2.80 GHz CPU上进行计算，无GPU加速。

研究结果

研究人员将提出的MPC框架与固定时间计划和基于Webster的自适应控制器两种基线策略进行了比较。评估涵盖六个时间窗口：正常-全日、正常-早高峰、正常-晚高峰、斋月-全日、斋月-Iftar、斋月-夜间。

预测性能评估结果表明，体制分离策略有效捕捉了不同的时间模式：正常体制LSTM的MAE为12.78 s，RMSE为19.78 s；斋月体制MAE为11.07 s，RMSE为17.12 s。训练收敛曲线显示无明显过拟合，早停分别触发于第31和第28周期。小时平均延误剖面揭示了两体制的结构性差异：正常体制早高峰（约01:00–03:00）达~35 s，午间低谷~9 s；斋月体制白天延误被抑制，Iftar窗口（17:00–20:00）和深夜期持续高位。

实际控制性能方面，提出的MPC在所有评估窗口均实现最低总交叉口延误。与固定时间计划相比，正常-全日总延误降低约0.5%，正常-早高峰约0.3%，正常-晚高峰约2.8%；斋月-全日约1.4%，斋月-Iftar约2.5%，斋月-夜间约2.8%。基于Webster的自适应控制器仅提供边际改进，且在部分时段表现劣于固定时间计划。

相位级分析揭示了更深层的机制：MPC将正常各窗口的相位A延误从19.9 s、20.9 s、22.8 s分别降至16.1 s、17.9 s、18.9 s；斋月各窗口从18.4 s、18.1 s、23.0 s分别降至15.1 s、14.6 s、18.8 s。这一显著改善伴随相位B延误的增加（如正常-全日从19.6 s升至22.5 s），但该增加受到显式约束控制。低需求相位延误降幅约12–20%，而高需求相位延误增加被限制在可接受范围内。

时间序列分析显示，MPC在正常条件下维持相位A绿灯分配约0.515，斋月条件下在0.48–0.516间波动，表现出比Webster方法更稳定的轨迹。小时延误降低率在正常日持续为正的12–23%，而Webster方法在部分时段出现-19%的负值；斋月日MPC保持11–22%的稳定降低，Webster方法仍有部分负值时段。

讨论总结

研究人员在讨论中指出，与无约束优化方法不同，所提出的框架通过显式的相位B延误约束限制了竞争相位的过度劣化，因此总交叉口延误改善保持适度，但实现了控制的平衡重新分配而非单一相位的激进最小化。预测组件增强了动态条件下的响应性，尤其在高变异性时段如 Iftar 和深夜运营期，其贡献在于提升时间适应性和决策稳定性而非大幅削减总延误。

关于预测精度，研究人员认为中等预测精度在结构化约束优化框架中仍能产生显著优势，因为优化步骤不完全依赖预测精度，预测延误仅用于指导调整，最终绿灯分配通过约束优化确保可行性和稳定性。相位权衡与公平性方面，相位B延误的增加是预期的、受约束的，这与传统信号控制策略形成对比——后者优先高需求运动方向而不控制对其他方向的影响。显式的相位保护约束使框架更适合实际部署。

时间稳定性分析表明，MPC产生的绿灯时间轨迹稳定平滑，变化率约束防止了信号配时的突变，计算需求低，适合实时交通信号控制系统。与现有策略比较，MPC在所有窗口系统性地优于固定时间计划，而Webster自适应控制器表现不一致，证实了纯反应式调整的不足。实际推广方面，框架在常规和非常规交通体制下均表现稳健，体制分离原则可推广至国家假日、重大体育赛事、学校日程转换等任何反复出现的社会-时序需求事件。

研究结论部分指出，所提出的体制感知预测控制框架通过分离正常和斋月运营体制，结合LSTM延误预测和约束感知MPC控制器，能够实现近未来需求变化预测，同时保持相位平衡和现实信号约束。使用吉达2025年3月1日至4月30日的真实TomTom数据，MPC在所有评估场景中实现了最低总交叉口延误。虽然总延误降低适度（约0.3–2.8%），但控制器在限制相位B劣化的同时，为相位A带来了一致且系统的改善，确认收益源于跨相位的平衡延误重新分配。预测组件增强了闭环时间响应性，尤其在斋月 Iftar 和深夜运营等高变异性时段。研究表明，有效的控制不仅需要高精度预测，将中等预测精度纳入结构化约束优化框架即可产生显著优势。体制分离被证明是处理城市交通时空需求变化的有用且可推广的方法。该框架通过提升信号运行效率和维持更公平的服务平衡，有助于实现更可持续和包容的城市出行，减少延误和燃油消耗，降低排放，与可持续发展目标SDG 11（可持续城市和社区）和SDG 9（产业、创新和基础设施）保持一致。未来研究应扩展至多相位交叉口和协调走廊级控制，纳入排放和燃油消耗等额外性能目标，并探索自适应在线学习策略以更好应对长期需求演化。